一种用于多聚焦图像融合的多源沙漏深度网络
计算机视觉与模式识别
2019-08-30 v1
摘要
多聚焦图像融合旨在提升所获取的一组成像平面不同的图像的质量。为解决该任务，通常需建立活跃度度量与融合规则，以从源图像中选取并融合最相关信息。然而，此类方法的手工设计极为困难，且有时受限于最优全聚焦图像不在其中的解空间。为此，我们提出两种基于深度神经网络的快速且简洁的图像融合方法。我们的方案采用以端到端方式训练的多源 Hourglass 架构。模型为数据驱动，并可轻松推广至其他类型的融合问题。采用分割方法识别聚焦图，而融合则使用加权平均规则。我们为基于回归的融合函数设计了训练损失函数，使网络能够同时学习活跃度度量与融合规则。实验结果表明，我们的方法取得了与最先进（SOTA）方法相当的结果，且在 520×520 分辨率图像上计算效率提升 60 倍。
引用
@article{arxiv.1908.10945,
title = {A Multiple Source Hourglass Deep Network for Multi-Focus Image Fusion},
author = {Fidel Alejandro Guerrero Peña and Pedro Diamel Marrero Fernández and Tsang Ing Ren and Germano Crispim Vasconcelos and Alexandre Cunha},
journal= {arXiv preprint arXiv:1908.10945},
year = {2019}
}